Image Compression

(Bp Aziz)
Dirangkum oleh: Eko Zulkaryanto
(http://zulkaryanto.wordpress.com)
Computer Science Bogor Agricultural University (http://www.ipb.ac.id)

Sampling dan kuantisasi citra 2D akan menghasilkan data

yang cukup sangat besar.

Besarnya data ini akan sangat menghambat dalam proses

penyimpanan maupun pengiriman (transmisi).

Dengan alasan itulah kompresi diterapkan

1. Redudansi data

Kompresi citra bertujuan untuk mengurangi jumlah data

yang dibutuhkan untuk merepresentasikan citra.

Kompresi dilakukan sebelum menyimpan atau sebelum

mentransmisikan data citra

Selanjutnya, sebelum data citra dibuka lagi atau diterima,

data tersebut didekompresi sehingga diperoleh citra asli
atau pendekatannya

Dasar dari kompresi citra adalah membuang data yang

redundan

Jika n1 dan n2 menyatakan banyaknya unit pembawa

informasi (biasanya bit) pada citra asli dan citra yang
dikodekan, maka dapat dihitung rasio kompresi sebagai
CR = n1/ n2

Nilai CR = 10, berarti setiap 10 bit pada citra asli diwakili

oleh 1 bit pada citra yang dikompresi

Citra yang dikompresi dengan encoder, dapat dibuka

kembali menggunakan decoder. Citra ini kita namakan citra
rekonstruksi.

Citra rekonstruksi bisa berupa citra yang sama persis

dengan citra asli atau bisa citra pendekatan

Kompresi yang menghasilkan citra rekonstruksi yang sama

persis dengan citra asli disebut lossless compression

Bila citra rekonstruksi merupakan pendekatan terhadap

citra asli, kompresinya disebut
lossy compression
Error untuk lossy compression

Langkah-langkah dalam penerapan huffman coding:

1. Mengurutkan peluang pk(rk) dari nilai terkecil
2. Menjumlahkan 2 nilai peluang terkecil menjadi nilai peluang
yang baru
3. Langkah 1 dan 2 diulangi sampai tidak ada lagi nilai peluang yang
dapat dijumlahkan
4. Membuat kode berdasarkan hasil dari langkah 1 sampai dengan
3

Houffman Coding

The idea of Human coding is simple.

Rather than using a fixed length code (8 bits) to represent

the grey values in an image, we use a variable length code,
with smaller length codes corresponding to more probable
grey values.

A small example will make this clear.

Suppose we have a 2-bit greyscale image with only four

grey levels: 0, 1, 2, 3, with the probabilities 0.2, 0.4, 0.3 and
0.1 respectively.

That is, 20% of pixels in the image have grey value 50; 40%
have grey value 100, and so on.

The following table shows fixed length and variable length

codes for this image:

3 jenis redudansi data:

Coding redudancy

Interpixel redudancy

Psychovisual redudancy
Kompresi data merupakan usaha untuk mengurangi satu atau
beberapa redudansi tersebut
1.1. coding redudancy

Misal terdapat sebuah citra berukuran

M x N dan nilai
peluang tiap gray level-nya adalah

dengan L
: banyaknya gray level
nk
: banyaknya gray level ke-k
n
: banyaknya piksel total

Jika jumlah bit yang digunakan untuk merepresentasikan

nilai rk adalah l(rk ), maka rata-rata banyaknya bit yang
dibutuhkan untuk merepresentasikan tiap piksel adalah

jumlah total bit yang diperlukan untuk citra tersebut

adalah MNLavg

Dengan nilai CR = 1,103 berarti citra tersebut memiliki simbol

kode (bit) yang lebih banyak daripada yang dibutuhkannya. Citra
seperti ini dikatakan memiliki coding redudancy.
Metode kompresi yang bertujuan untuk mengatasi coding
redudancy antara lain variable-length coding.
Salah satu contoh variable-length coding adalah huffman coding
Huffman coding

Now consider how this image has been compressed.

Each grey value has its own unique identifying code.
The average number of bits per pixel can be easily
calculated as the expected value (in a probabilistic sense):

Notice that the longest code words are associated with the
lowest probabilities.

This average is indeed smaller than 2.

To obtain the Human code for a given image we proceed as

follows:
1. Determine the probabilities of each grey value in the image.
2. Form a binary tree by adding probabilities two at a time,
always taking the two lowest available values.
3. Now assign 0 and 1 arbitrarily to each branch of the tree from
its apex.
4. Read the codes from the top down

To see how this works, consider the example of a 3-bit

greyscale image (so the grey values are 0 - 7) with the
following probabilities:

Dengan A(n)
Interpixel redudancy disebut juga spatial redudancy
Salah satu metode kompresi citra untuk menghilangkan
interpixel redudancy adalah run-length coding
Misalkan sebuah citra dengan gray level berikut
4444433333377722222
222222211111 1166666
...
Maka run-length coding dari baris ke-1
(4,5)(3,6)(7,3)(2,5)
Maka run-length coding dari baris ke-2
(2,7)(1,7)(6,5)
Run length encoding

Run length encoding (RLE) is based on a simple idea: to

encode strings of zeros and ones by the number of
repetitions in each string.

RLE has become a standard in facsimile transmission.

As above, we can evaluate the average number of bits per

pixel as an expected value:

Greyscale images can be encoded by breaking them up into

their bit planes
To give a simple example, consider the following 4-bit
image and its binary representation:

Human codes are uniquely decodable, in that a string can

be decoded in only one way.
For example, consider the string
11011100000100111110
to be decoded with the Human code generated above.
There is no code word 1, or 11, so we may take the rst three
bits 110 as being the code for grey value 3.
Notice also that no other code word begins with this string.
For the next few bits, 1110 is a code word; no other begins
with this string, and no other smaller string is a codeword.
So we can decode this string as grey level 4.
Continuing in this way we obtain:

1.2. interpixel redudancy

Pada citra yang menampilkan obyek yang monoton, nilai gray
level pixel tetangga dapat diduga.
Apabila nilai gray level pixel tetangga dapat diduga, mengapa
harus disimpan?
Salah satu cara mengukur kesamaan gray level pixel tetangga
adalah dengan menghitung koefisien autokorelasi
Semakin tinggi koefisien autokorelasi, semakin mudah menduga
gray level pixel tetangga
Citra yang memiliki koefisien autokorelasi tinggi disebut
memiliki interpixel redudancy

(n)

For a binary image, there are many different

implementations of RLE; one method is to encode each line
separately, starting with the number of 0's.
Another method [14] is to encode each row as a list of pairs
of numbers; the rst number in each pair given the starting
position of a run of 1's, and the second number its length.
So the above binary image would have the encoding

A(n)
A(0)

Rumus koefisien autokorelasi adalah

A(n)

1
N n

N 1 n

y 0

f ( x, y) f ( x, y n)

1.3. Psychovisual redudancy

Tidak setiap detil citra dapat ditangkap oleh mata manusia.

Ada sebagian informasi dalam citra yang sangat penting
dalam arti tampak nyata oleh mata manusia, namun ada
juga yang tidak penting. Artinya kalau informasi tersebut
tidak ada, citra tidak nampak berbeda bagi mata manusia.

Informasi yang kurang penting itulah yang disebut

psychovisual redudancy.

Penghilangan sebagian informasi yang tidak penting

tersebut dinamakan kuantisasi.

Kuantisasi juga berarti pemetaan input dengan selang nilai

yang lebar ke output dengan selang nilai yang lebih sempit

Kuantisasi bersifat irreversible dan merupakan lossy

compression.

Sebagai contoh, citra dengan 256 gray level dikompresi

menjadi citra dengan 16 gray level
2. Kompresi JPEG

KOMPRESI JPEG

KOMPRESI JPEG 2000

Kompresi Citra (oleh Ibu Yeni)

Kompresi Citra adalah aplikasi kompresi data yang dilakukan
terhadap citra digital dengan tujuan untuk mengurangi
redundansi dari data-data yang terdapat dalam citra sehingga
dapat disimpan atau ditransmisikan secara efisien.

Run Length Encoding (RLE)

Contoh 1
Citra biner:
00000 00000 00000 00000
00000 00000 01000 00000
Total = 50 bit

00010
00000

Kode string 0 dan 1 dikodekan menjadi

(format : kode(jumlah frekuensi)):
0(23) 1(1) 0(12) 1(1) 0(13)
Jika untuk menyimpan nilai jumlah frekuensi
membutuhkan 5 bit untuk penyimpanan dan kode string
membutuhkan 1 bit, maka diperlukan kapasitas sebesar : (1*5) +
(5*5) = 30 bit.

Teknik Kompresi Citra (1)

Lossy Compression :
Ukuran file citra menjadi lebih kecil dengan menghilangkan
beberapa informasi dalam citra asli.
Teknik ini mengubah detail dan warna pada file citra menjadi
lebih sederhana tanpa terlihat perbedaan yang mencolok dalam
pandangan manusia, sehingga ukurannya menjadi lebih kecil.
Biasanya digunakan pada citra foto atau image lain yang tidak
terlalu memerlukan detail citra, dimana kehilangan bit rate foto
tidak berpengaruh pada citra.
Beberapa teknik lossy
Color reduction : untuk warna-warna tertentu yang mayoritas
dimana informasi warna disimpan dalam color palette.
Chroma subsampling : teknik yang memanfaatkan fakta bahwa
mata manusia merasa brightness (luminance) lebih berpengaruh
daripada warna (chrominance) itu sendiri, maka dilakukan
pengurangan resolusi warna dengan disampling ulang. Biasanya
digunakan pada sinyal YUV.
Chorma Subsampling terdiri dari 3 komponen :

Y (luminance) : U (CBlue) : V (CRed)

Downsampling

The human eye can see more detail in the Y component

(brightness) than in Cb (blue) and Cr (red). Using this
knowledge, encoders can be designed to compress images
more efficiently. (http://en.wikipedia.org)

Transformasi warna dari RGB ke ruang warna (color space)

dinamakan YCbCr.

Pengurangan komponen Cb dan Cr dinamakan

"downsampling" atau "chroma subsampling

Downsampling the chroma components menghemat 33%

atau 50% space yang digunakan image.
Contoh Downsampling

Rasio downsampling pada JPEG adalah 4:4:4 (no

downsampling), 4:2:2 (reduce by factor of 2 in horizontal
direction), dan 4:2:0 (reduce by factor of 2 in horizontal and
vertical directions).

Transform coding : menggunakan Fourier Transform seperti

DCT (Discrete Cosine Transform).
Fractal Compression : adalah suatu metode lossy untuk
mengkompresi citra dengan menggunakan kurva fractal. Sangat
cocok untuk citra natural seperti pepohonan, pakis, pegunungan,
dan awan.
Fractal Compression bersandar pada fakta bahwa dalam sebuah
image, terdapat bagian-bagian image yang menyerupai bagian
image yang lain.

Proses kompresi Fractal lebih lambat daripada JPEG sedangkan

proses dekompresinya sama.
Hal-Hal Penting Dalam Kompresi Citra
Scalability/Progressive Coding/Embedded Bitstream
Adalah kualitas dari hasil proses pengkompresian citra karena
manipulasi bitstream tanpa adanya dekompresi atau
rekompresi.
Biasanya dikenal pada loseless codec.
Contohnya pada saat preview image sementara image tersebut
didownload. Semakin baik scalability, makin bagus preview
image.
Tipe scalability :
Quality progressive : dimana image dikompres secara perlahanlahan dengan penurunan kualitasnya.
Resolution progressive : dimana image dikompresi dengan
mengenkode resolusi image yang lebih rendah terlebih
dahulu baru kemudian ke resolusi yang lebih tinggi.
Component progressive : dimana image dikompresi
berdasarkan komponennya, pertama mengenkode komponen
grey baru kemudian komponen warnanya.
Region of Interest Coding : daerah-daerah tertentu dienkode
dengan kualitas yang lebih tinggi daripada yang lain.
Meta Information : image yang dikompres juga dapat memiliki
meta information seperti statistik warna, tekstur, small
preview image, dan author atau copyright information
Algoritma Kompresi/Dekompresi Citra
Algoritma umum untuk kompresi image adalah :
1. Menentukan bitrate dan toleransi distorsi image dari inputan
user.
2. Pembagian data image ke dalam bagian-bagian tertentu
sesuai dengan tingkat kepentingan yang ada (classifying).
Menggunakan salah satu teknik : DWT (Discreate Wavelet
Transform) : mencari frekuensi nilai pixel masing-masing,
menggabungkannya menjadi satu dan mengelompokkannya
sebagai berikut:

Dimana
LL : Low Low Frequency (most importance)
HL : High Low Frequency (lesser importance)
LH : Low High Frequency (more lesser importance)
HH : High High Frequency (most less importance)

Hasil dekomposisi 3 level decomposition

3. Pembagian bit-bit di dalam masing-masing bagian yang ada

(bit allocation).
4. Lakukan kuantisasi (quantization).
Kuantisasi Scalar : data-data dikuantisasi sendiri-sendiri
Kuantisasi Vector : data-data dikuantisasi sebagai suatu
himpunan nilai-nilai vektor yang diperlakukan sebagai suatu
kesatuan.
5. Lakukan pengenkodingan untuk masing-masing bagian
yang sudah dikuantisasi tadi dengan menggunakan teknik
entropy coding (huffman dan aritmatik) dan menuliskannya
ke dalam file hasil.

Sedangkan algoritma umum dekompresi image adalah :

1. Baca data hasil kompresi menggunakan entropy dekoder.
2. Dekuantisasi data.
3. Rebuild image.
Beberapa Metode Kompresi Citra

Teknik Kompresi GIF

GIF (Graphic Interchange Format) dibuat oleh Compuserve pada
tahun 1987 untuk menyimpan berbagai file bitmap menjadi file
lain yang mudah diubah dan ditransmisikan pada jaringan
komputer.
GIF merupakan format citra web yang tertua yang mendukung
kedalaman warna sampai 8 bit (256 warna), menggunakan 4
langkah interlacing, mendukung transparency, dan mampu
menyimpan banyak image dalam 1 file.
Byte ordering : LSB MSB
Interlacing
Interlacing separates the odd and even lines and transmits them
separately. It allows the overall frame rate to be half what it would
need to be if the whole display were delivered progressively. Thus, it
reduces the bandwidth required to 50% and is therefore a form of
compression.

Struktur file GIF

Header : menyimpan informasi identitas file GIF (3 bytes, harus

string GIF) dan versinya (3 bytes, harus string 87a or 89b)

Global Screen Descriptor (GSD) : mendefinisikan logical screen

area dimana masing-masing file GIF ditampilkan.

Global Color Table : masing-masing image dalam GIF dapat

menggunakan global color table atau tabel warnanya sendirisendiri. Penggunaan GCT akan memperkecil ukuran file GIF.

Image1, Image2, Image3, ... Image-n : dimana masing-masing

image memiliki struktur blok sendiri-sendiri dan terminator
antar file.

Trailer : Akhir dari sebuah file GIF

Kompresi GIF menggunakan teknik LZW : gambar GIF yang

berpola horizontal dan memiliki perubahan warna yang sedikit,
serta tidak bernoise akan menghasilkan hasil kompresan yang
baik.
Kompresi LZW (Lempel, Ziv dan Welch) pada GIF

Proses encoding yang mencari rangkaian pixel yang sama

pada gambar. Pola yang lebih sering muncul mendapatkan
sebuah kode yang mewakili rangkaian tersebut dalam file
terkompresi.

Format file GIF

GIF87a : mendukung interlacing dan mampu manyimpan

beberapa image dalam 1 file, ditemukan tahun 1987 dan
menjadi standar.

GIF89a : kelanjutan dari 87a dan ditambahkan dengan

dukungan transparency, mendukung text, dan animasi.
Animated GIF

Animated GIF : tidak ada standar bagaimana harus

ditampilkan sehingga umumnya image viewer hanya akan
menampilkan image pertama dari file GIF. Animated GIF
memiliki informasi berapa kali harus diloop.

Tidak semua bagian dalam animated GIF ditampilkan

kembali, hanya bagian yang berubah saja yang ditampilkan
kembali.
JPEG

JPEG (Joint Photograpic Experts Group) menggunakan

teknik kompresi lossy sehingga sulit untuk proses
pengeditan.

JPEG cocok untuk citra pemandangan (natural generated

image), tidak cocok untuk citra yang mengandung banyak
garis, ketajaman warna, dan computer generated image
JPEG Compression Models

Sequential : kompresi dilakukan secara top-down, left-right

menggunakan proses single-scan dan algoritma Huffman
Encoding 8 bit secara sekuensial.

Progressive : kompresi dilakukan dengan multiple-scan

secara progresif, sehingga kita dapat mengira-ngira gambar
yang akan kita download.

Hierarchical : super-progressive mode, dimana image

akan dipecah-pecah menjadi sub image yang disebut frame.
Frame pertama akan membentuk image dalam resolusi
rendah hingga berangsur-angsur ke resolusi tinggi.

Loseless (JPEG-LS) : exact image

Teknik Kompresi JPEG

JPEG merupakan nama teknik kompresi, sedangkan nama

format filenya adalah JFIF (JPEG File Interchange Format)

Tingkat kompresi yang baik untuk JPEG adalah 10:1-20:1

untuk citra foto, 30:1-50:1 untuk citra web, dan 60:1-100:1
untuk kualitas rendah seperti citra untuk ponsel.

Byte order : MSB-LSB

JPEG

Tahapan Kompresi JPEG

Sampling : adalah proses pengkonversian data pixel dari RGB ke
YUV/YIQ dan dilakukan down sampling. Biasanya sampling
dilakukan per 8x8 blok, semakin banyak blok yang dipakai makin
bagus kualitas sampling yang dihasilkan.
DCT (Discreate Cosine Transform) : hasil dari proses sampling
akan digunakan sebagai inputan proses DCT, dimana blok 8x8
pixels akan diubah menjadi fungsi matriks cosinus
Quantization : proses membersihkan koefisien DCT yang tidak
penting untuk pembentukan image baru. Hal ini yang
menyebabkan JPEG bersifat lossy.
Entropy Coding : proses penggunaan algoritma entropy, misalnya
Huffman atau Aritmatik untuk mengenkodekan koefisien hasil
proses DCT yang akan mengeliminasi nilai-nilai matriks yang
bernilai nol secara zig-zag order.
Baseline sequential JPEG encoding and decoding processes

Step 1: Picture Preparation (a)

Color space transformation
First, the image is converted from RGB into a different color
space called YCbCr. This is the same as the color space used
by PAL, MAC and Digital color television transmission.
The Y component represents the brightness of a pixel
The Cb and Cr components together represent the
chrominance

Assign more bits to Y, less bits to Cb and Cr

475 x 330 x 3 = 157 KB

luminance
RGB Components

Step 1: Picture Preparation (b)

Downsampling
The human eye can see more detail in the Y component than in
Cb and Cr. Using this knowledge, encoders can be designed to
compress images more efficiently.
The above transformation enables the next step, which is to
reduce the Cb and Cr components (called "downsampling" or
"chroma subsampling").
Typically each group of 4 pixels would be sampled with 4 values
for Y and only 1 each for U & V (sampling ratio of 4:1:1).
For the rest of the compression process, Y, Cb and Cr are
processed separately and in a very similar manner.
Step 1: Picture Preparation (b)
Downsampling
Original: 12 blocks.
Sampled: 4 + 1 + 1 = 6 blocks.
Compression ratio = 50%.
There is 75% lost in chrominance components
For the rest of the compression process, Y, Cb and Cr are
processed separately and in a very similar manner.
Step 2: Picture Processing
Discrete Cosine Transform
Next, each component (Y, Cb, Cr) of the image is "tiled" into
sections of eight by eight pixels each, then each tile is converted
to frequency space using a two-dimensional forward discrete
cosine transform.
Within the MCU, each component is processed separately one
8x8 block at a time.
The luminance block is shifted from numbers 0..255 to numbers
128..127 by subtracting 128.
Chrominance values are already in the range 128..127.
The 64 (8 X 8) DCT Basis Functions
Each 8x8 block can be looked at as a weighted sum of these basis
functions.
The process of 2D DCT is also the process of finding those
weights.

Y U V (Y Cb Cr) Components

Assign more bits to Y, less bits to Cb and Cr

Y U V (Y Cb Cr) Components

Step 2: Picture Processing

Each block is transformed by the forward DCT into low- and
high-frequency information.
This step is lossless, except that there may be little lost due to
rounding of DCT coefficients
If one such 88 8-bit subimage is:

JPEG Image Compression II

DCT: similar to FT; only real (cosine) part is kept.
Identifies average value (dc coefficient) and remaining components
(ac coefficients).

Step 2: Picture Processing

which, if we now subtract 128 from each element, results in

For example, using 415 (the DC coefficient) and rounding

to the nearest integer

The quantization matrix may be scaled by a quality factor

Step 4: Entropy Encoding

Entropy coding is a special form of lossless data compression.
DC Coefficient Coding the difference between the quantized DC
coefficient of the current block and that of the previous block of
the same component is taken.

AC Coefficient Coding
the 63 quantized coefficients are converted into a onedimensional zig-zag sequence to increase the run length of zeros.
- zero run-length encoding is then applied.
- Huffman coding or arithmetic encoding is then further applied.

and then taking the DCT and rounding to the nearest integer
results in

Zig-zag Scan DCT Blocks

Why? -- To group low frequency coefficients in top of

vector.

Maps 8 x 8 to a 1 x 64 vector.
Note the rather large value of the top-left corner. This is the DC
coefficient. The remaining 63 coefficients are called the AC
coefficients.
Step 3: Quantization
The human eye is good at seeing small differences in
brightness over a relatively large area, but not so good at
distinguishing the exact strength of a high frequency
brightness variation.
This fact allows one to get away with greatly reducing the
amount of information in the high frequency components.
This is done by simply dividing each component in the
frequency domain by a constant for that component, and then
rounding to the nearest integer.
This is the main lossy operation in the whole process.
As a result of this, it is typically the case that many of the
higher frequency components are rounded to zero, and many
of the rest become small positive or negative numbers.
A common quantization matrix is:

Using this quantization matrix with the DCT coefficient

matrix from above results in:

The zig-zag sequence for the above quantized coefficients

would be:

26,
3, 0,
3, 2, 6,
2, 4, 1, 4,
1, 1, 5, 1, 2,
1, 1, 1, 2, 0, 0,
0, 0, 0, 1, 1, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0,
0, 0, 0, 0,
0, 0, 0,
0, 0,
0

DC coefficient is -26
Zero run-length encoding is
(0, -3),
(1, -3), (0, -2), (0, -6), (0, 2), (0, -4),
(0, 1), (0, -4), (0, 1), (0, 1), (0, 5), (0, 1),
(0, 2), (0, -1), (0, 1), (0, -1), (0, 2),
(5, -1), (0, -1),
(0, 0)
Decoding

Decoding to display the image consists of doing all the

above in reverse.

Taking the DCT coefficient matrix (after adding the

difference of the DC coefficient back in)

Given the following matrices

Matrix A : 8 x 8 luminance block.
Matrix B : 8 x 8 Quantization matrix (luminance)

a)
b)
c)

d)

and multiplying it by the quantization matrix from above

results in

which closely resembles the original DCT coefficient matrix

for the top-left portion.
Original:

Taking the inverse DCT (type-III DCT) results in an image

with values (still shifted down by 128)

e)

For this luminance block, obtain a Matrix C by subtracting

each entry from 128.
Obtained the DCT coefficient matrix as a result of apply DCT
to Matrix C.
Compute the quantized coefficients using truncation to the
nearest integers and then write them out in a zig-zag order.
Compute the quantized coefficients by rounding to the
nearest integers and then write them out in a zig-zag order.
Compare the merits of using each of the techniques in parts
(d) and (e) above.

JPEG 2000
JPEG 2000 merupakan pengembangan kompresi JPEG.
Didesain untuk internet, scanning, foto digital, remote sensing,
medical imegrey, perpustakaan digital dan e-commerce
Kelebihan :
Dapat digunakan pada bit-rate rendah sehingga dapat digunakan
untuk network image dan remote sensing
Menggunakan Lossy dan loseless tergantung kebutuhan
bandwidth. Loseless digunakan untuk medical image
Transmisi progresif dan akurasi & resolusi pixel tinggi
Menggunakan Region of Interest (ROI)
Robustness to bit error yang digunakan untuk komunikasi
jaringan dan wireless
Open architecture : single compression/decompression
Mendukung protective image security : watermarking, labeling,
stamping, dan encryption
Mendukung image ukuran besar 64k x 64k, size up to 232 - 1
Mendukung meta data dan baik untuk computer-generated
imagenary. Dulu JPEG standar baik untuk natural imagenary.
2-D Wavelet Transform via Separable Filters

Original

Latihan

and adding 128 to each entry